亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        紅松仁脂肪的近紅外光譜定量檢測

        2018-07-06 08:38:48仇遜超
        江蘇農(nóng)業(yè)學報 2018年3期
        關(guān)鍵詞:松仁松籽波段

        仇遜超

        (哈爾濱金融學院計算機系,黑龍江 哈爾濱 150030)

        東北紅松仁中脂肪含量較高,且大部分為不飽和脂肪酸、亞油酸和油酸,對人體的健康十分有益,其中不飽和脂肪酸對降低血脂、血壓和預(yù)防心血管疾病有一定的功效,而亞油酸在經(jīng)過人體的消化吸收后可以轉(zhuǎn)化為二十碳五稀酸(Eicosapentaenoic Acid,EPA)和二十二碳六稀酸(Docosahexaenoic Acid,DHA),這2種物質(zhì)能夠促進腦部和視網(wǎng)膜的發(fā)育,對視力退化以及老年癡呆癥有一定的預(yù)防作用[1]。此外紅松仁中脂肪含量對紅松籽的貯藏品質(zhì)有一定的影響,油脂酸敗會使松仁產(chǎn)生異味,縮短紅松籽的貯藏壽命[2]。因此,紅松仁中的脂肪不僅能夠作為評定紅松籽果實營養(yǎng)價值的重要依據(jù),還對決定紅松籽的貯藏時間起到重要作用。目前紅松仁脂肪的提取主要采用基于索氏提取的化學分析法,該方法步驟繁鎖、提取耗時較長,并且由于需要大量揮發(fā)性溶劑,在檢測過程中會危害檢測人員的身體健康[3],檢測后紅松仁也無法繼續(xù)使用。因此,建立一種簡便、快速、安全、準確、非破壞性的紅松仁脂肪含量檢測方法,十分必要。

        近紅外光譜分析技術(shù)將化學計量學方法與近紅外光譜檢測技術(shù)相融合,通過分析被測物品的合頻或倍頻振動吸收光譜,對物質(zhì)的組成、結(jié)構(gòu)進行定量、定性分析,進而實現(xiàn)被測物品的綠色檢測分析,該方法操作簡便,過程快速,無需任何溶劑就可同時完成多項指標的測定,且對樣品不會產(chǎn)生任何破壞[4]。孫曉明等[5]利用SupNIR-1000近紅外光譜儀,在1 000 nm至1 799 nm光譜范圍內(nèi)對牛肉和肉餡的脂肪含量進行檢測研究,其整塊牛肉和肉餡的脂肪模型預(yù)測相關(guān)系數(shù)分別為0.810和0.972。張中衛(wèi)等[6]在900 nm至1 700 nm波長范圍下,利用微型近紅外光纖光譜儀結(jié)合Y型探頭,對奶粉中脂肪含量進行了漫反射光譜測定,所建脂肪模型的預(yù)測標準差為1.109。近年來研究人員利用近紅外光譜技術(shù)對堅果也展開了研究。郝中誠等[7]在1 000 nm至1 800 nm波長范圍內(nèi)建立了南疆溫185核桃水分近紅外模型,模型預(yù)測的平均偏差為0.35%。劉潔等[8]采用近紅外光譜法對栗仁及帶殼板栗水分進行了定量分析,栗仁、帶殼板栗的水分模型驗證集均方根誤差分別是1.83%、2.27%。傅誼等[9]應(yīng)用近紅外光譜技術(shù)構(gòu)建了板栗淀粉、糖度和硬度偏最小二乘模型,結(jié)果表明這3種模型的相關(guān)系數(shù)都達到了0.99以上。作者前期研究結(jié)果也證實利用近紅外光譜技術(shù)可以實現(xiàn)對東北紅松籽內(nèi)部蛋白質(zhì)[10]和水分[11]的定量檢測。采用近紅外分析技術(shù)對紅松仁脂肪進行檢測的研究還未見報道。

        本研究擬在900 nm至1 700 nm光譜范圍內(nèi),利用便攜式光譜儀對紅松仁脂肪進行定量檢測。采用求導(dǎo)、多元散射校正、變量標準化校正和矢量歸一化多種預(yù)處理方法對原始紅松仁光譜數(shù)據(jù)進行處理,分析討論不同光譜預(yù)處理方法對紅松仁脂肪建模精度的影響,經(jīng)過對比分析選定最佳的預(yù)處理方法。在預(yù)處理結(jié)果的基礎(chǔ)上,利用間隔偏最小二乘法、反向間隔偏最小二乘法、無信息變量消除法,探討光譜波段篩選法對紅松仁脂肪建模精度的影響,通過比較分析進而確定最優(yōu)的波段篩選方法以及適合建模的波段范圍,最終構(gòu)建出質(zhì)量較好的去殼紅松仁脂肪近紅外數(shù)學模型,從而實現(xiàn)對紅松仁脂肪的高效、準確、快速定量無損檢測。

        1 材料與方法

        1.1 材料

        生紅松籽樣品由黑龍江省伊春市涼水國家級自然保護區(qū)提供,試驗前對全部紅松籽樣品進行清洗、擦拭,并按照松子貯藏標準,將全部紅松籽樣品保存于相對濕度50%~60%、溫度-1~2 ℃條件下。為了滿足光譜數(shù)據(jù)的采集要求,獲取紅松籽樣品近紅外光譜信息前,先將其放置于實驗室24 h,以保證其溫度和濕度與實驗室環(huán)境相一致。選取紅松籽樣品5 168粒,進行手工去殼,并完全去掉紅衣,從中挑選出134份樣品用于后續(xù)的檢測研究,并按照3∶1的比例對樣品進行校正集與驗證集的劃分,校正集樣品用以實現(xiàn)模型的構(gòu)建,驗證集樣品用以實現(xiàn)對模型的驗證。

        1.2 試驗設(shè)備

        光譜儀器為德國INSION公司產(chǎn)品NIR-NT-spectrometer-OEM-system(圖1),適用光譜波長范圍為900~1 700 nm,探測器陣列為InGaAs陣列,光譜分辨率<16 nm,入口光纖為300 μm/330 μm,體積為67 mm×36 mm×22 mm(長×寬×高)。該光譜儀器尺寸小,無可移動器件,操作簡單、便攜,價格低廉,可在復(fù)雜環(huán)境下工作,并且不受劇烈振動的影響,適合紅松仁樣品的在線檢測。光源為鹵素光源,其工作電壓為24 V。鹵素燈光源與紅松仁樣品間采用Y型光纖連接,光纖的另一端與光譜儀連接,光譜儀與PC機間通過USB線實現(xiàn)連接。

        圖1 NIR-NT光譜儀Fig.1 NIR-NT spectrometer

        1.3 試驗方法

        1.3.1 紅松仁近紅外光譜數(shù)據(jù)的獲取方法 獲取紅松仁樣品光譜數(shù)據(jù)的過程中,保持實驗室環(huán)境溫度在26 ℃左右。采集紅松仁光譜數(shù)據(jù)前,先將鹵素光源、近紅外光譜儀打開預(yù)熱15 min,使其穩(wěn)定,對標準鍍金漫反射背景體進行掃描,用于后續(xù)試驗的背景參比;采用漫反射方式掃描,設(shè)定平均掃描次數(shù)為3次,光譜儀積分時間為30 ms。將紅松仁樣品至于探頭上,保證光源對紅松仁樣品的垂直照射,通過對樣品的4次重新擺放連續(xù)掃描,以實現(xiàn)對樣品的共12次掃描。紅松仁樣品光譜的測量示意圖如圖2所示,試驗過程中,紅松仁與光源的距離在3 mm左右。

        圖2 紅松仁光譜測量示意圖Fig.2 The schematic diagram of spectra measurement for peeled Korean pine seeds

        1.3.2 紅松仁脂肪的化學測定方法 采用食品安全國家標準GB5009.6-2003中的索氏提取法,對紅松仁樣品的脂肪含量進行測定。

        2 結(jié)果與分析

        2.1 檢測模型校正集與驗證集樣品的劃分

        采用基于歐式距離的Kennard-Stone(K-S)方法[12]劃分紅松仁脂肪含量近紅外光譜檢測模型的校正集和驗證集。劃分結(jié)果(表1)顯示,紅松仁樣品脂肪含量分布在60%至71%之間,差異較廣,代表性較高,反映了紅松仁樣品選取的合理性,也表明這些紅松仁樣品能夠滿足構(gòu)建近紅外模型的要求;驗證集紅松仁樣品的脂肪含量分布在60.58%至65.24%之間,其覆蓋范圍小于校正集紅松仁脂肪含量變化范圍(60.04%~70.93%),表明紅松仁樣品校正集所構(gòu)建的脂肪含量檢測模型能較好地適用于驗證集樣品。

        表1 紅松仁脂肪含量近紅外光譜檢測模型的校正集和驗證集

        2.2 紅松仁近紅外光譜數(shù)據(jù)分析

        采用漫反射方法采集紅松仁樣品的原始反射光譜數(shù)據(jù)(圖3),光譜波長范圍為906.90~1 699.18 nm,采樣間隔為6.83 nm。脂肪是由脂肪酸和甘油組成的三酰甘油酯,組成元素為C、H、O,其結(jié)構(gòu)長鏈中的主要基團為烴基。圖3中950 nm附近的微弱波峰為C-H鍵伸縮振動的三倍頻[13],根據(jù)文獻[14]可知,1 160 nm附近的波峰為C-H鍵二級倍頻吸收,1 660 nm附近的較小波峰為C-H鍵一級倍頻吸收。根據(jù)文獻[6]可知,脂肪C-H鍵倍頻吸收的特征譜帶在950~1 020 nm、1 070~1 440 nm、1 520~1 680 nm處。因此本研究選取的波長范圍包含了脂肪的特征吸收區(qū)域,說明紅松仁樣品的光譜數(shù)據(jù)能夠反映其脂肪的相關(guān)信息。此外,由于受到近紅外光譜區(qū)自身吸收強度弱、靈敏度低等的影響,原始近紅外光譜呈現(xiàn)出較為復(fù)雜的重疊信息,但是從整體光譜曲線來看其重復(fù)性較好,形態(tài)具有相似性和一定的規(guī)律性。

        圖3 紅松仁樣品原始近紅外光譜數(shù)據(jù)Fig.3 The original spectrum of the peeled Korean pine seed samples

        2.3 紅松仁近紅外光譜的預(yù)處理

        采用矢量歸一化(Vector normalization)、一階導(dǎo)數(shù)(First derivative, 1-Der)、二階導(dǎo)數(shù)(Second derivative, 2-Der)、多元散射校正(Multiplication scatter correction, MSC)、變量標準化校正(Standard normalized variate, SNV)方法對原始紅松仁光譜進行預(yù)處理,以消除附加散射變動、光程變化、噪聲信息等對原始光譜數(shù)據(jù)的干擾。采用偏最小二乘回歸分析(PLS),構(gòu)建多個紅松仁脂肪近紅外光譜模型,根據(jù)計算所得的各模型校正集相關(guān)系數(shù)(Rc)、驗證集相關(guān)系數(shù)(Rp)、校正集均方根誤差(RMSEC)、驗證集均方根誤差(RMSEP)參數(shù),評定模型的優(yōu)劣,從而實現(xiàn)對最優(yōu)光譜預(yù)處理方法的選取。最優(yōu)參數(shù)的評價標準是:相關(guān)系數(shù)越大(越接近1)越好,均方根誤差越小(越接近0)越好。

        通過對光譜數(shù)據(jù)進行導(dǎo)數(shù)處理,可以消除基線和背景干擾,但處理效果會受到求導(dǎo)窗口寬度的影響,因此,需要對最佳窗口寬度進行確定。依據(jù)模型的交叉驗證均方根誤差(RMSECV)評定最佳求導(dǎo)窗口寬度,評定標準為RMSECV越小越好。由圖4可知,預(yù)處理中當1-Der、2-Der窗口寬度分別取10、25時,構(gòu)建的脂肪PLS模型RMSECV值最小。

        圖4 不同窗口寬度導(dǎo)數(shù)建模結(jié)果對比Fig.4 The results of derivative models in different window width

        利用Matlab 7.10.0軟件平臺,對原始紅松仁光譜進行多種不同預(yù)處理,分別構(gòu)建脂肪PLS模型。由表2可知,原始紅松仁光譜經(jīng)過歸一化、SNV、MSC預(yù)處理后,模型的質(zhì)量反而下降了,這是因為預(yù)處理后光譜的真正有效信息減少了,并且MSC建立的模型略劣于SNV建立的模型,這是由于二者的校正原理不同,SNV是將每條光譜看作滿足正態(tài)分布的數(shù)據(jù)來進行處理的,即對每一條光譜數(shù)據(jù)進行單獨處理,而MSC則是對一組樣品的全部光譜陣進行整體預(yù)處理。經(jīng)過求導(dǎo)處理后模型的質(zhì)量提升了,說明經(jīng)過求導(dǎo)預(yù)處理后特征信息被有效地提取了,也表明選用合理的預(yù)處理方法可以使模型的穩(wěn)健性和預(yù)測精準度得到提高。但經(jīng)2-Der預(yù)處理后構(gòu)建的模型質(zhì)量低于1-Der構(gòu)建的模型,說明在2-Der預(yù)處理過程中雖然消除了背景與基線的干擾,但也放大了噪聲。采用1-Der預(yù)處理后得到的紅松仁脂肪PLS模型最佳,其Rc為0.878 6,Rp為0.836 3,RMSEC和RMSEP分別為0.650 8、0.695 0。

        2.4 紅松仁光譜數(shù)據(jù)的特征波段篩選

        全波段范圍內(nèi)光譜數(shù)據(jù)信息量大,冗余信息較多,容易造成較長的處理時間,以及大量的建模計算工作,對產(chǎn)品的在線快速檢測不利,此外某些波段區(qū)域的信噪比較低,對模型建立產(chǎn)生影響和干擾[15]。采用間隔偏最小二乘法(Interval partial least squares, iPLS)[16]、反向間隔偏最小二乘法(Backward interval partial least squares, BiPLS)[17]和無信息變量消除法(Elimination of uninformative variables, UVE)[18]對經(jīng)過預(yù)處理的光譜數(shù)據(jù)進行特征波段篩選,以減少數(shù)據(jù)冗余,加快處理速度,提高模型精度。

        分割數(shù)的大小直接影響到間隔偏最小二乘法(iPLS)、反向間隔偏最小二乘法(BiPLS)模型的效果。分割數(shù)較大時,不能有效地減少變量數(shù)目,使得計算量大、建模復(fù)雜;較小時,則會剔除掉信息量較好的區(qū)間。由圖5可知,iPLS、BiLPS分割數(shù)分別取15、10時,經(jīng)波段篩選后,構(gòu)建的相應(yīng)紅松仁脂肪模型最優(yōu)。

        圖6為紅松仁光譜經(jīng)1-Der預(yù)處理后,在分割數(shù)為15時iPLS波段篩選結(jié)果,其中,虛直線為全光譜波長范圍下經(jīng)過1-Der預(yù)處理后構(gòu)建模型的RMSECV,虛線以下的波段區(qū)間為篩選保留的區(qū)間。保留的波段組合區(qū)域是1、3、6、8,對應(yīng)的波長范圍為906.90~1 002.52 nm、1 111.80~1 207.42 nm、1 419.15~1 514.77 nm、1 624.05~1 699.18 nm。圖7為紅松仁光譜經(jīng)1-Der預(yù)處理后,在分割數(shù)為10時BiPLS波段篩選結(jié)果,其中,陰影部分光譜為篩選保留下的波段。保留的波段組合區(qū)域是1、5、7、12,對應(yīng)的波長范圍為906.90~968.37 nm、1 180.10~1 241.57 nm、1 400.08~1 474.40 nm、1 658.20~1 699.18 nm。

        表2 多種預(yù)處理方法構(gòu)建的紅松仁脂肪PLS模型參數(shù)對比

        圖5 不同分割數(shù)建模結(jié)果對比Fig.5 The results of models in different numbers of partition

        圖6 iPLS波段選取結(jié)果Fig.6 The bands selection results of iPLS

        圖7 BiPLS波段選取結(jié)果Fig.7 The bands selection results of BiPLS

        UVE變量篩選方法依據(jù)的是對PLS回歸系數(shù)的穩(wěn)定性分析。圖8中虛曲線表示波長變量穩(wěn)定性分布結(jié)果,實曲線表示引入的噪聲變量穩(wěn)定性分布結(jié)果,虛直線為閾值上、下限,在2條虛直線外的波長變量會得到保留。圖9為原始紅松仁光譜經(jīng)1-Der預(yù)處理后的波段篩選結(jié)果,篩選保留的波長范圍是906.90~1 111.80 nm、1 186.93~1 255.23 nm、1 330.36~1 371.34 nm、1 514.77~1 630.88 nm、1 651.37~1 699.18 nm。

        2.5 全波段、特征波段建模結(jié)果比較分析與模型的驗證

        分別在全波段、特征波段范圍下建立紅松仁脂肪PLS模型,根據(jù)相關(guān)系數(shù)和均方根誤差的對比結(jié)果,進而確定特征波段的選取方法。由表3可知,經(jīng)過波段篩選后模型的各個參數(shù)均得到了改善,變量數(shù)目減少的同時,也有效地提高了相關(guān)系數(shù),降低了均方根誤差,說明優(yōu)選波段有益于模型質(zhì)量的提高。BiPLS構(gòu)建的模型質(zhì)量最佳,這是由于經(jīng)BiPLS篩選保留的吸收譜帶分別與脂肪C-H鍵的基頻和倍頻相對應(yīng),脂肪屬性中最重要的特征波段得到保留,多數(shù)冗余信息被有效地剔除。iPLS雖然消除了多數(shù)冗余信息,但由于將各分割波段區(qū)間單獨考慮,沒有考慮他們之間的聯(lián)系,導(dǎo)致波段選擇不夠準確。UVE篩選方法保留了較多的變量,包含冗余信息較多,使模型的預(yù)測精度提升效果并不明顯。在BiPLS選取的波段范圍下,建立的紅松仁脂肪PLS模型Rc為0.911 4,Rp為0.882 0,RMSEP為0.646 8。因此,在構(gòu)建紅松仁樣品脂肪PLS近紅外模型的過程中,采用BiPLS波段選取方法能夠更有效地篩選出較為重要的特征響應(yīng)譜帶,更好地提升模型質(zhì)量。

        圖8 UVE變量穩(wěn)定性分析Fig.8 The stability analysis of UVE variable

        圖9 UVE波段選取結(jié)果Fig.9 The bands selection results of UVE

        表3 全波段、特征波段構(gòu)建的紅松仁脂肪PLS模型參數(shù)對比

        iPLS:間隔偏最小二乘法;BiPLS:反向間隔偏最小二乘法;UVE:無信息變量消除法。

        圖10 紅松仁脂肪含量模型預(yù)測結(jié)果Fig.10 Model predication results of the fat content in the peeled Korean pine seeds

        3 討 論

        本研究利用近紅外光譜分析技術(shù)進行紅松仁脂肪定量無損檢測試驗。用便攜式近紅外光譜儀在900 nm至1 700 nm波長范圍內(nèi)獲取紅松仁近紅外光譜數(shù)據(jù),采用Kennard-Stone方法實現(xiàn)校正集與驗證集的劃分。通過優(yōu)選光譜的特征波段,模型的預(yù)測性能和各項指標參數(shù)得到提升,印證了在建模分析過程中波段篩選的重要性。通過比較不同預(yù)處理方法構(gòu)建的模型評價參數(shù),發(fā)現(xiàn)只有選用合適的預(yù)處理方法,才能在保留有效光譜信息的同時,消除噪聲及干擾因素,構(gòu)建最佳近紅外模型。

        研究結(jié)果表明:(1)針對原始紅松仁光譜選取合適的預(yù)處理方法,能夠提升模型的質(zhì)量,其中,經(jīng)過一階導(dǎo)數(shù)(1-Der)預(yù)處理的紅松仁脂肪PLS模型最優(yōu);(2)iPLS、BiPLS、UVE波段篩選方法均可使建模變量的數(shù)量在不同程度上有所減少,降低建模工作的計算量,從而實現(xiàn)優(yōu)化模型質(zhì)量的目的,其中經(jīng)BiPLS波段優(yōu)選后建立的模型最為理想,保留了脂肪成分中C-H等功能基團的倍頻吸收響應(yīng)譜帶,消除了大量冗余信息,實現(xiàn)了篩選波長的目的,其建立的紅松仁脂肪PLS模型Rc為0.911 4,Rp為0.882 0,RMSEP為0.646 8,驗證集預(yù)測平均偏差絕對值為0.53%。由此可見,本研究構(gòu)建的紅松仁脂肪含量近紅外預(yù)測模型的預(yù)測結(jié)果是可靠的,為紅松仁脂肪含量的實時、準確檢測提供了新的思路和方法,也為近紅外光譜模型優(yōu)化提供了一定的參考方法。

        參考文獻:

        [1] 于俊林,車喜泉,常紀慶. 松仁的化學成分及功效[J].人參研究,2001,13(1):25-27.

        [2] 李鵬霞,王 煒,梁麗松,等. 不同貯藏溫度對不同狀態(tài)松籽種仁脂肪酸氧化的影響[J].上海農(nóng)業(yè)學報,2009,25(1):23-26.

        [3] 廖敦軍,蔣 蘋. 油茶籽脂肪酸成分含量與高光譜反射率的相關(guān)性[J].湖南農(nóng)業(yè)大學學報(自然科學版),2013,39(4):445-448.

        [4] AERNOUTS B,POLISHIN E,LAMMERTYN J,et al. Application of near infrared reflectance (NIR) spectroscopy to identify the quality of milk[J].Journal of Dairy Science,2011,94(11):5315.

        [5] 孫曉明,盧 凌,張佳程,等. 牛肉化學成分的近紅外光譜檢測方法的研究[J].光譜學與光譜分析,2011,2(31):379-383.

        [6] 張中衛(wèi),溫志渝,曾甜玲,等. 微型近紅外光纖光譜儀用于奶粉中蛋白質(zhì)脂肪的定量檢測研究[J].光譜學與光譜分析,2013,7(33):1796-1800.

        [7] 郝中誠,彭云發(fā),張 宏,等. 基于近紅外光譜的南疆溫185核桃水分無損檢測的研究[J].安徽農(nóng)業(yè)科學,2014,42(21):7191-7193,7233.

        [8] 劉 潔,李小昱,李培武,等. 基于近紅外光譜的板栗水分檢測方法[J].農(nóng)業(yè)工程學報,2010,26(2):338-341.

        [9] 傅 誼,張擁軍,陳華才,等. 基于偏最小二乘法的板栗近紅外光譜分析模型的建立[J].食品科技,2012(5):42-45.

        [10] 仇遜超,曹 軍. 近紅外光譜波段優(yōu)化在東北松子蛋白質(zhì)定量檢測中的應(yīng)用[J].現(xiàn)代食品科技,2016,32(11):303-309.

        [11] 仇遜超,曹 軍. 便攜式近紅外光譜儀檢測紅松籽水分含量的研究[J].東北林業(yè)大學學報,2016,44(12):15-20,30.

        [12] MACHO S, IUSA R, CALLAO M P, et al. Monitoring ethylene content in heterophasic co-polymers by near-infrared spectroscopy standardization of the calibration model[J]. Amal Chim Acta,2001,445(2):213-220.

        [13] 李曉云,王加華,黃亞偉. 便攜式近紅外儀檢測牛奶中脂肪、蛋白質(zhì)及干物質(zhì)含量[J].光譜學與光譜分析,2011,3(31):665-668.

        [14] 王培培,張德全,陳 麗,等. 近紅外光譜法預(yù)測羊肉化學成分的研究[J].核農(nóng)學報,2012,26(3):500-504.

        [15] 張 初,劉 飛,孔汶汶,等. 利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學報,2013,29(20):270-276.

        [16] CHEN H Z,TAO P, CHEN J M, et al. Wav-eband selection for NIR spectroscopy analysis of soil organic matter based on SG smoothing and MWPLS methods[J]. Chemometrics and Intelligent Laboratory Systems,2011,107(1): 139-146.

        [17] PARK B, ABBOTT J A, LEE K J, et al. Near-infrared diffuse reflectance for quantitative and qualitative measurement of soluble solids and firmness of delicious and Gala apples[J].Tran-sactions of the ASAE,2003, 46(6):1721-1731.

        [18] HE K X, CHENG H, DU W L, et al. Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy[J].Chemometrics and Intelligent Laboratory Systems,2014, 134(8): 79-88.

        猜你喜歡
        松仁松籽波段
        春日暖陽
        紅松籽制備紅松籽油的原料性狀及其制油工藝驗證
        β-環(huán)糊精包合紅松籽油的制備工藝及生物利用度評價
        植物研究(2020年2期)2020-04-08 09:20:22
        松仁齋
        四川文學(2020年10期)2020-02-06 01:21:52
        松仁玉米
        超聲輔助提取松籽殼色素的工藝優(yōu)化
        插頁四·小畫廊
        小主人報(2016年8期)2016-09-18 02:53:16
        M87的多波段輻射過程及其能譜擬合
        諷刺喜劇小品 雞飛蛋打
        小松鼠算松籽
        中文字幕精品久久一区二区三区| 一本色道久久99一综合| 久久精品国产亚洲精品| 久久国产欧美日韩高清专区| av中文码一区二区三区| 国产在线拍偷自拍偷精品| 精品一二区| 亚洲天堂av在线免费看| 麻豆人妻性色av专区0000| 亚洲精品久久久久久久蜜桃| 丰满熟妇乱子伦| 毛茸茸的中国女bbw| 色系免费一区二区三区| 日韩av综合色区人妻| 中文字幕在线看精品乱码| 中文字幕乱码高清完整版| 国产后入又长又硬| 一道久在线无码加勒比| 日韩Va亚洲va欧美Ⅴa久久| 久久高潮少妇视频免费| 区一区二区三免费观看视频| 极品少妇xxxx精品少妇偷拍| 国产亚洲午夜高清国产拍精品 | 亚洲婷婷丁香激情| 久草91这里只有精品| 国产高清精品一区二区| 亚洲av网一区二区三区| 亚州少妇无套内射激情视频| 国产精品久久这里只有精品| 偷拍视频这里只有精品| 精品香蕉99久久久久网站| 久久久久久好爽爽久久| 久久精品爱国产免费久久| 国产精品高清免费在线| 一区二区三区无码高清视频| 五月综合激情婷婷六月| 男受被做哭激烈娇喘gv视频| 在线观看精品国产福利片87| 亚洲一区久久蜜臀av| 人人妻人人澡人人爽人人dvd| 性色av无码久久一区二区三区|